12月10日,曙光节能启动“液冷爆发”倒计时,并表示距象征“液冷”技术在数据中心行业全面爆发,取代“风冷”成为主流冷却设备的“零点”仅剩“10分钟”。曙光表示,2019年曙光率先在世界范围内,实现首次刀片式浸没相变液冷技术的大规模部署,早在2015年,曙光已实现国内首个冷板液冷大规模应用,截至目前累计部署的液冷服务器已达数万台,技术上液冷已有足够积累取代风冷。
12月10日,在北京中科曙光大厦展览厅,曙光节能总经理何继盛将“数据中心液冷‘爆发’倒计时钟”的时间拨到了11点50分,这距象征液冷在数据中心行业全面爆发的“零时”仅有10分钟。
曙光方面表示,虽然从全国范围来看,风冷目前仍是在运行数据中心普遍采用的冷却技术,但随着2019年曙光实现首个刀片式浸没相变液冷技术的大规模部署,以及伴随行业与政策的需求,液冷成为行业主流冷却技术的爆发时间已非常接近。
“如果从1960年代液冷技术首次在数据中心上应用,一直到液冷取代风冷成主流冷却技术的过程视为12个小时。我们距‘零时’——液冷在行业‘爆发’的时间很近,液冷取代风冷成主流有望3至5年内实现。”曙光节能总经理何继盛说。
据了解,早在2012年曙光便立项,探究降低数据中心能耗与提升计算密度的核心技术——“液冷”,并于2015年推出国内首款标准化量产的冷板式液冷服务器,当年为研究大气圈、生物圈等圈层间联系的地球系统数值模拟装置原型机,提供了“冷板液冷”技术,实现了液冷在国内的首次大规模部署。
2019年4月,随着曙光在全球范围内首次实现“刀片式浸没相变液冷”的大规模部署,液冷技术已进入“新纪元”。截至目前,曙光拥有的“液冷”核心专利超40项,部署的液冷服务器已达数万台。
随着IT产业高速发展以及5G、大数据时代到来,数据中心功率与计算密度正不断飞升,由此带来的能耗与环保问题正引起广泛关注,以节能、智能化、高密度等为特征的“绿色计算”正成为数据中心行业建设潮流。
2017年,中国数据中心总耗电量达到1200-1300亿千瓦时,这个数字超过三峡大坝(2017年全年发电量为976.05亿千瓦时)和葛洲坝电厂发电量(2017年葛洲坝电厂发电量190.5亿千瓦时)之和。据IDC预测,到2020年中国数据中心耗电量为2962亿千瓦时,2025年高达3842.2亿千瓦时。
为限制并引导在建“数据中心”降低能耗,从2018年至今,北京、上海、深圳等多地出台了“数据中心建设”指导意见、准则,而“液冷”也成为数据中心行业节能技术的关注焦点。
据IDC发布的《2019中国企业绿色计算与可持续发展研究报告》显示,在调查的超过200家大型企业中,超过50%的企业已大规模部署并使用模块化数据中心、液体冷却等“绿色计算”技术。
据了解,以“风冷”技术为代表的传统数据中心,超过一半耗能用在了冷却计算设备上,PUE(评价能源效率指标)值普遍在1.4以上,且单柜功率密度最高只能到30Kw左右。而采用“液冷”技术的数据中心,则可大幅降低冷却能耗并提高计算设备性能和稳定性。
以采用“刀片式浸没相变液冷”技术的曙光新一代计算机“硅立方”为例,其PUE降至1.04(全球数据中心PUE平均值为1.58),相比风冷数据中心能效比提升超30%,CPU等核心芯片部件性能可提升20%,单机柜功率密度达160Kw,计算设备可靠性至少提升一个数量级。
曙光方面表示,液冷技术是数据中心突破节能瓶颈的“最佳捷径”,曙光多年来致力于绿色计算带来的“计算变革”,曙光节能基础设施更是将这股“绿色风暴”落地成型,将数据中心PUE提升至世界前沿水平。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。